传统 RAG 的痛点

你是否遇到过这些问题？

• 向量检索总是返回"看起来相似"但"答非所问"的内容
• 长文档被切成碎片，上下文丢失严重
• 检索结果像黑盒，无法解释为什么返回这些内容

核心问题：相似性 ≠ 相关性

---

PageIndex：无向量、推理式 RAG

PageIndex 提出了一个颠覆性的思路：

不用向量数据库，让 LLM 像人类专家一样"阅读"文档。

灵感来源于 AlphaGo——用树搜索 + 推理，替代暴力匹配。

---

技术原理

🌳 Step 1：构建文档树索引

┌─────────────┐    ┌─────────────┐    ┌─────────────┐
│  PDF/MD     │ → │  目录检测    │ → │  树结构生成  │
│  文档输入   │    │  自动提取    │    │  层次索引    │
└─────────────┘    └─────────────┘    └─────────────┘

三种智能处理模式：

文档类型	处理方式
有目录+页码	提取目录，计算页码偏移
有目录无页码	LLM 定位章节位置
无目录	LLM 直接从内容生成层次结构

自动验证修复：随机采样验证标题是否出现在对应页面，错误自动修复（最多 3 次重试）。

🔍 Step 2：推理式树搜索

┌─────────────┐    ┌─────────────┐    ┌─────────────┐
│  用户问题   │ → │  LLM 推理    │ → │  精准定位    │
│             │    │  逐层导航    │    │  相关章节    │
└─────────────┘    └─────────────┘    └─────────────┘

检索过程：

1. LLM 看到树的顶层节点（章节标题 + 摘要）
2. 根据问题推理：“答案最可能在哪个章节？”
3. 进入该节点，继续在子节点中推理
4. 递归直到定位到具体内容

就像人类翻阅一本书：先看目录，再翻到相关章节，最后找到具体段落。

📦 生成的索引结构

{
"title": "Financial Stability",
"node_id": "0006",
"start_index": 21,
"end_index": 28,
"summary": "美联储对金融风险的监控...",
"nodes": [
{ "title": "风险监控", "node_id": "0007", ... },
{ "title": "国际合作", "node_id": "0008", ... }
]
}

每个节点包含：标题、页码范围、内容摘要、子节点——完整保留文档层次。

---

为什么更准？

对比项	传统向量 RAG	PageIndex
检索方式	向量相似度	LLM 推理
文档处理	固定切块	自然章节
可解释性	❌ 黑盒	✅ 路径可追踪
上下文	局部碎片	全局结构

---

实战成绩：FinanceBench 98.7%

基于 PageIndex 的 Mafin 2.5 在金融问答基准测试中达到 98.7% 准确率，完整覆盖测试集。

金融报告天然有层次结构，PageIndex 完美保留，不再把年报切成"碎纸片"。

---

快速上手

from pageindex import page_index
# 一行代码生成文档树索引
result = page_index(doc="report.pdf", model="gpt-4o")
# 获取结构化索引，用于 RAG 检索
print(result['structure'])

支持 PDF 和 Markdown，自动检测目录，自动验证修复。

---

适用场景

• 📊 金融报告：年报、SEC 文件、财务披露
• ⚖️ 法律文档：合同、法规、判例
• 📚 学术文献：论文、教科书、技术手册
• 📖 技术文档：API 文档、产品手册

写在最后

LLM Agent 的诞生，为我们提供了一个极具想象空间的技术路线，它将传统模型的强大语言理解能力，与外部工具的实际动手能力相结合，创造出无限可能的应用空间。希望这篇文章能够启发你进一步探索和创新，用有限的代码，创造出更加强大、高效且安全的智能体，推动人工智能真正落地到更多场景，惠及更多人群。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】